人間の身体骨格の空間的および時間的な動態を合成することは、生成される形状の品質だけでなく、その多様性においても、特に特定の動作（アクションコンディショニング）の現実的な身体運動を合成する上で困難な課題となっています。本論文では、生成対抗ネットワーク（Generative Adversarial Networks: GAN）とグラフ畳み込みネットワーク（Graph Convolutional Networks: GCN）の利点を活用して、人間の身体の運動学を合成する新しいアーキテクチャであるKinetic-GANを提案します。提案された対抗型アーキテクチャは、局所および全体的な身体運動に対して最大120種類の異なる動作を条件付け可能であり、潜在空間の分離と確率的な変動を通じてサンプル品質と多様性を向上させます。我々は3つの有名なデータセットで実験を行い、Kinetic-GANは分布品質指標において既存の最先端手法を大幅に上回り、異なる動作数に関して1桁以上多い合成能力を持つことが確認されました。我々のコードとモデルは公開されており、以下のURLからアクセスできます。https://github.com/DegardinBruno/Kinetic-GAN.